解读滑块验证码（滑动验证码）与图形验证码的破解难度
首先给出观点：前沿的基于机器学习建模、多维判断的拖动滑块验证，不是简单计算滑块偏移量和按键精灵所能应付的，而图形验证码在当前不断发展的OCR、神经网络面前却越来越容易失守。
图形验证码的原理和识别，在三四年前就已经有深刻的分析，利用机器学习和机器视觉，把验证码的文字和背景分离，去除干扰线，分割字符，扭曲还原，机器就可以做到自动识别。K-Means、SVM（支持向量机）的分类效果就不错，对于扭曲，神经网络方法更是提供了很高的成功率。不过那时候节点多的大型网络，运算是比较慢的。但现在，数据量积累越来越丰富，深度神经网络模型越来越好，计算能力越来越强，最重要的是机器学习算法的从业者越来越多，不管是重叠粘连的字符，或者是物体识别，识别率的提升是自然的。
据说，有了深度学习，传统字符型验证码被破解的最大概率已经达到98%。
拖动滑块分两种情况。其余答案说的前端拼接，就不用说了，确实不容易防不住有心人。新的滑块验证码方案，验证码后台针对用户产生的行为轨迹数据进行机器学习建模，结合访问频率、地理位置、历史记录等多个维度信息，快速、准确的返回人机判定结果。针对这种方式，单纯分析调用JS是破解无效的。原因如同
@闫先森
所说，深度学习判别策略是黑盒。当然，理论上行为轨迹也可以用深度学习破解，不过还是要积累足够多的训练样本，和足够多的训练时间。
题外话，攻与防技术都是在对抗中不断升级的，无解的验证码还不存在，但防的一方可以不断提升破解成本。应用选择滑块验证，也有部分因素是因为竞争激烈的互联网很看重用户体验，拖动毕竟是趣味性交互且容易完成，而图形验证码既容易被黑客攻破，对用户也并没有那么友好——肉眼识别无趣（可能还很艰难），键盘手动输入更浪费时间，体验比较大。
这里分享网易云安全（易盾）的验证码方案：
易盾验证码抛弃了传统字符型验证码展示-填写字符-比对答案的流程，采用验证码展示-采集用户行为-分析用户行为流程，用户只需要产生指定的行为轨迹，不需要键盘手动输入，极大优化了传统验证码用户体验不佳的问题；
同时验证码后台针对用户产生的行为轨迹数据进行机器学习建模，结合访问频率、地理位置、历史记录等多个维度信息，快速、准确的返回人机判定结果，优化了传统验证码基于单一字符维度容易被暴力破解的问题。后台会检测破解攻击，如果有破解的情况，会自动切换到更高难度的点选式验证码；除此之外网易云还提供终极验证上行短信验证，确保验证码的安全性。
相关阅读：
